04 基于深度学习的图像分类技术

小鱼儿 2022-04-17 00:41 309阅读 0赞

### 目录 ###

*  一、完成keras环境搭建
 *   *  1. 安装CUDA
     *  2. 安装cuDNN
     *  3. 安装Anaconda
     *  4. 安装Tensorflow
     *  5. 安装Keras
     *  6. 安装OpenCV
 *  二、交通标志分类项目
 *   *  1. 简介
     *  2. 神经网络框架
     *  3. 项目代码
     *  4. 研读代码
     *   *  （1）分析lenet.py代码
         *  （2）分析train.py代码
         *  （3）分析predict.py代码
     *  5. 上传代码
     *  6. 运行代码
     *  7. 运行结果

# 一、完成keras环境搭建 #

安装和配置环境的过程请参考如下的博客，https://blog.csdn.net/Super\_jm\_/article/details/78397074

## 1. 安装CUDA ##

下载网址：https://developer.nvidia.com/cuda-downloads （注意：Ubuntu下载请务必下载runfile文件，如下图1示）  
验证安装成功：使用`nvcc --version`命令  
![在这里插入图片描述][20181110155211852.png]

## 2. 安装cuDNN ##

关于cuDNN的介绍，它是用于神经网络的GPU加速器；  
更多具体的介绍参考链接，https://blog.csdn.net/fangjin\_kl/article/details/53906874

## 3. 安装Anaconda ##

下载链接，https://repo.continuum.io/archive/

## 4. 安装Tensorflow ##

安装教程，https://www.oschina.net/translate/how-to-install-and-use-tensorflow-on-ubuntu-16-04  
如何判定版本，https://blog.csdn.net/chineseqsc/article/details/80259775  
如何知道GPU是否运行计算过程，https://blog.csdn.net/castle\_cc/article/details/78389082

## 5. 安装Keras ##

安装命令，sudo pip install keras  
如何判定版本，https://blog.csdn.net/chineseqsc/article/details/80259775

## 6. 安装OpenCV ##

安装命令，sudo pip3 installopencv-python，具体可参考  
https://www.cnblogs.com/freshmen/p/7272393.html

# 二、交通标志分类项目 #

## 1. 简介 ##

从一堆交通标志数据集（有62类的数据，如下图2，其中每类数据格式如下图3所示）里面，完成分类训练，并实现输入一张交通标志照片给出分类结果和精确概率。  
详细项目情况，请看链接  
https://www.cnblogs.com/skyfsm/p/8051705.html  
![在这里插入图片描述][20181110155515454.png]  
![在这里插入图片描述][20181110155532698.png]

## 2. 神经网络框架 ##

主要是采用了LeNet-5的结构，一共7层，如下图4所示，它是YannLeCun教授于1998年提出的第一个成功用于手写数字识别的卷积神经网络。  
详细关于此网络介绍，请查看  
https://blog.csdn.net/xjy104165/article/details/78218057 和 https://blog.csdn.net/kaido0/article/details/53161684  
![在这里插入图片描述][20181110155720622.png]

## 3. 项目代码 ##

代码结构如下所示，第一个文件keras\_image\_classifer为代码，第二个文件traffic-sign为数据集，如下图5所示；其中keras\_image\_classifer中包含的文件如下图6，net文件里存放的是LeNet网络的keras实现代码（如图8所示），traffic-sign-code文件放的是训练数据的代码和预测数据的代码（如图8所示）；最后是文件traffic-sign放的是数据集（如图7），里面内容如之前的图2和图3所示。  
项目代码请下载，https://github.com/AstarLight/Keras-image-classifer-framework

## 4. 研读代码 ##

### （1）分析lenet.py代码 ###

主要分为三个部分（如下图9所示）  
第一部分引入各种需要的包依赖，Sequential是用来建立时间序列模型的（是构建神经网络的二种常用方法之一），Conv2D是二维卷积层，对二维输入窗进行滑动窗卷积，MaxPooling2D指的是最大空间池化，从纠正特征映射中取出窗口最大的元素，Activation指的是激活层，对一个层施加激活函数，Flatten用来将输入压平，即把多维数据一维化，多用在卷积层到全连接层的过度，Dense指的是全连接层，对上一层的神经元进行全部连接，实现特征的非线性化组合，backend指的是后端字段，用来选择后端引擎，配置方法是打开路径~/.keras/keras.json，更改里面的image\_data\_format字段值（后端介绍，https://keras-cn.readthedocs.io/en/latest/backend/）；  
第二部分是模型初始化，主要处理输入图像的格式；  
model = Sequential()，是用来构建序列模型的；  
要提供输入的模式（默认的情况是图像宽度、图像高度、图像通道数），若image\_data\_format是字符串channels\_first，则说明输入模式是图像通道数、图像宽度、图像高度；  
第三部分是通过model构建LeNet-5各层结构。  
第一层网络结构，采用之前建立的序列模型model的add方法实现。Conv2D(20,(5, 5), padding=“same”, input\_shape=inputShape))，其中20指的是卷积核个数，卷积核大小是5\*5的矩阵，采用的是填充模式same，保留边界处的卷积结果，使得卷积后的结果和原图像一样大小，具体的卷积计算过程如下图10所示，输入模式同初始化。  
![在这里插入图片描述][20181110162514169.png]  
model.add(Activation(“relu”))，为第一层增加激活函数层；  
第二层网络结构是最大池化层，MaxPooling2D(pool\_size=(2, 2), strides=(2, 2)))，其中pool\_size参数的意思是代表垂直和水平两个方向的下采样因子，（2, 2）的意思是使图像在两个方向上均变为原长的一半；strides表示步长的意思，（2, 2）代表在两个方向上步长都是2；最大池化的过程见下图11所示；  
![在这里插入图片描述][20181110162531392.png]  
第三层网络卷积层和第四层池化层都和之前的一样；  
第五层是压平层，将多维的输入转为一维输出；  
第六层Dense(500)的意思指的是全连接层，500代表输出的维度；  
第七层Dense(classes)中classes指的是输出分类的个数，即最后得到的分类结果，激活函数采用的是softmax  
（softmax的分类过程，https://www.jianshu.com/p/ffa51250ba2e，如下图12所示）  
![在这里插入图片描述][20181110162601551.png]  
![在这里插入图片描述][20181110160131554.png]

### （2）分析train.py代码 ###

主要分为六个部分（如下图13、14、15所示）  
第一部分是导入包依赖部分，matplotlib是python的一个2D绘图库，如果想保存图像但是不想把图像打印出来，可以使用matplotlib.use(“Agg”)，其中Agg是保存为png格式图片；  
详情http://blog.sina.com.cn/s/blog\_836db8100102wlao.html，注意一定再导入pylab或pyplot包之前进行。 第二部分是parameter和argument的区别，https://zhidao.baidu.com/question/2116957332636950747.html  
第三部分是参数设置，其中epochs指的是，1e-3的意思是0.001，CLASS\_NUM是分类数量，norm\_size是归一化图像大小；  
![在这里插入图片描述][20181110160255872.png]  
第四部分是加载图像数据，又分为四个子部分，读取图像路径、读入图像内容、归一化处理、标签向量化；  
读取图像路径中，常用的函数解释如下  
random.seed()方法，https://blog.csdn.net/qq\_36142336/article/details/78797190  
shuffle() 函数，将序列中所有元素随机排列，http://www.runoob.com/python/func-number-shuffle.html  
cv2.imread()，https://blog.csdn.net/weixin\_39943271/article/details/79086131  
os.path.sep，http://blog.sina.com.cn/s/blog\_5dd2af0901012r86.html  
第五部分是训练数据过程，  
![在这里插入图片描述][20181110164313789.png]  
第六部分是训练函数开始入口，  
![在这里插入图片描述][20181110160411961.png]

### （3）分析predict.py代码 ###

主要分为三个部分（如下图16所示）  
第一部分是导入各种包依赖，  
第二部分是命令行处理程序，  
第三部分预测图像类别过程，又分为三个子部分。  
![在这里插入图片描述][20181110161818913.png]  
图片与数组的转化，image\_to\_array，https://blog.csdn.net/code\_better/article/details/53242943  
ImageDataGenerator，https://www.cnblogs.com/touch-skyer/p/8603751.html  
kerasmodel.compile，https://www.cnblogs.com/smuxiaolei/p/8662177.html  
fit\_generator，http://keras-cn.readthedocs.io/en/latest/models/sequential/  
batch与epoch以及iterations的区别，https://blog.csdn.net/chancein007/article/details/73822955

## 5. 上传代码 ##

Scp指令本地上传服务器，https://www.cnblogs.com/zhaofeng555/p/8075279.html  
上传出现not aregular file 解决方案，记得加上-r，可参看链接  
https://blog.csdn.net/sdujava2011/article/details/47283949

## 6. 运行代码 ##

注意：Python多版本的启动，python、python2、python3，sudopython，sudo python2，sudopython3  
![在这里插入图片描述][20181110162213513.png]  
系统缺少相应的模块请按如下教程安装，  
Installingimutils in ubuntu，https://stackoverflow.com/questions/36579781/installing-imutils-in-ubuntu  
Matplotlib，https://blog.csdn.net/yato0514/article/details/78754551  
Keras.preprocessing.image，https://github.com/keras-team/keras/issues/692  
Nomodule namedtensorflow，  
Nomodule named’sklearn.model\_selection’，http://blog.51cto.com/emily18/2087973  
Nomodule named cv2，  
在某.py文件中调用其他.py内的函数，https://blog.csdn.net/winycg/article/details/78512300

## 7. 运行结果 ##

输入要查询的图像，会返回该图像的类别以及准确率，分别如下图18、19所示；  
![在这里插入图片描述][20181110162317236.png]  
![在这里插入图片描述][20181110162333128.png]

[20181110155211852.png]: /images/20220417/d4e90ff692884e519d994b02ae9f52a5.png
[20181110155515454.png]: /images/20220417/31e7456046674528ad4f91538448b1cd.png
[20181110155532698.png]: /images/20220417/7f0e158868f64e41b188c13a0a2bac93.png
[20181110155720622.png]: /images/20220417/efc41eb6e1ac4bbf85b0b02197577e56.png
[20181110162514169.png]: /images/20220417/db96144c67674accb608436caa2ecc74.png
[20181110162531392.png]: /images/20220417/ec161cce5d754fe0b92ce2c98c8536db.png
[20181110162601551.png]: /images/20220417/6858af4837c44771befb48552b95dd6f.png
[20181110160131554.png]: /images/20220417/5e4ef53bf3f54fd78c003d45fc47dee1.png
[20181110160255872.png]: /images/20220417/9764b38a8c924499bc7882abed4506dd.png
[20181110164313789.png]: /images/20220417/3f257b7223a94090b74659fed3a000fa.png
[20181110160411961.png]: /images/20220417/2f109813b5404038acacac3e2f1058a9.png
[20181110161818913.png]: /images/20220417/5faf6f659be04ee184812c8aff77ac66.png
[20181110162213513.png]: /images/20220417/497fd8c91c93433199779584c7027788.png
[20181110162317236.png]: /images/20220417/66956d0808f14524ac125a6200ce7779.png
[20181110162333128.png]: /images/20220417/45f7b70428e6474b822b72fb483f6a8f.png